WeatherNext 3 nutzt Satellitendaten statt numerischer Modelle für stündliche, lokale Vorhersagen.
In Kürze
- 5‑km Auflösung für Temperatur und Feuchte
- Niederschlagsprognosen bis zu 60 % besser
- Daten speziell für Wind- und Solarplanung
Google Research und DeepMind haben mit WeatherNext 3 ein KI‑basiertes Wettermodell vorgestellt, das klassische physikbasierte Simulationen durch Lernen aus aktuellen Satellitendaten ersetzt. Das Ziel: stündliche, lokalscharfe Vorhersagen auf Basis der jeweils neuesten Beobachtungen — ohne den Umweg über langsame numerische Wettermodelle.
Wie das Modell arbeitet
Statt auf Ausgaben numerischer Wettervorhersagen zu trainieren, nutzt WeatherNext 3 direkt Live‑Daten geostationärer Satelliten, also jener Satelliten, die dauerhaft über derselben Erdregion bleiben. Dadurch kann das Modell stündlich aktualisierte Prognosen erzeugen, die sofort die neuesten Beobachtungen einbeziehen.
Auflösung und Aktualität
WeatherNext 3 liefert Temperatur und Feuchte in einem Raster von bis zu 5 Kilometern, andere Oberflächenwerte in 10 km und atmosphärische Größen wie Wind in 25 km.
- Temperatur und Feuchte: bis zu 5 Kilometern
- Andere Oberflächenwerte: 10 km
- Atmosphärische Größen (z. B. Wind): 25 km
Im Vergleich zum Vorgänger, der mit 25‑km‑Auflösung und 6‑Stunden‑Schritten arbeitete, ergibt das laut Google eine etwa fünffach höhere Detailauflösung. Das hilft, lokale Topografie wie Küstenlinien, Täler oder Gebirgszüge feiner abzubilden.
Niederschlagsvorhersage
Für Regen und Schnee wurde WeatherNext 3 zusätzlich mit dem satellitengestützten NASA‑IMERG‑Datensatz und einer eigenen globalen Auswertung auf Basis von Satellitenradar trainiert. Bei Bewertungen der Vorhersagegüte mit dem CRPS‑Maß (Continuous Ranked Probability Score, das die Qualität probabilistischer Vorhersagen misst) zeigt das Modell deutliche Verbesserungen:
- bis zu 60 % gegenüber IMERG
- 30 % gegenüber MRMS (radarbasiertes System)
- 10 % gegenüber stationären Regenmessern bei kurzen Vorlaufzeiten
Google gibt außerdem an, dass Nutzer bei Planungen einen Tag oder länger im Voraus bis zu 50 % genauere Niederschlagsprognosen erhalten können.
Daten für Wind- und Solarplanung
WeatherNext 3 liefert spezielle Vorhersagen für Wind in etwa 100 Metern Höhe (relevant für Windturbinen) sowie genauere Angaben zu Wolkenbedeckung und Sonnenscheindauer. Diese Metriken sind direkt für Betreiber von Wind‑ und Solaranlagen gedacht, um Erzeugung und Netzplanung zu unterstützen.
- Wind in etwa 100 Metern Höhe (relevant für Windturbinen)
- Genaue Angaben zu Wolkenbedeckung
- Sonnenscheindauer
Regionale Verfügbarkeit und Nutzen
Weil die Verarbeitung von Satellitendaten kostengünstiger skaliert als klassische regionale Modelle, sollen besonders Regionen in Lateinamerika, Afrika und dem asiatisch‑pazifischen Raum profitieren — Gebiete, die bislang seltener sehr fein aufgelöste regionale Vorhersagen hatten.
Integration und Zugang
Die stündlich aktualisierten Vorhersagedaten fließen direkt in folgende Dienste ein:
- Google Search
- Maps
- Gemini‑App
- Google Maps Platform Weather API
- Google Earth Engine
Forschende, Entwickler und Unternehmen können die Daten über folgende Wege abrufen:
- BigQuery
- Earth Engine
- als Bulk‑Download aus Google Cloud Storage
Einschränkungen und Hinweise
Google betont, dass die Atmosphäre grundsätzliche Unvorhersehbarkeiten behält. Für amtliche Warnungen und Sicherheitsinformationen verweist das Unternehmen ausdrücklich auf die nationalen Wetterdienste.
Einordnung und Vorgänger
WeatherNext 3 baut auf dem gleichen Grundprinzip wie WeatherNext 2 auf, das im November 2025 vorgestellt wurde und bereits zahlreiche Variablen und Zeiträume schneller und detaillierter abdeckte. WeatherNext 2 nutzte ein Functional Generative Network und konnte hunderte Wetterszenarien auf spezialisierten KI‑Chips zügig berechnen.
- DeepMind hatte zuvor 2024 mit GenCast ein probabilistisches KI‑Wettermodell veröffentlicht, das die Ensemblevorhersage des ECMWF übertraf.
- Im August 2026 wurden WeatherNext 2 und die Spezialvariante WeatherNext Cyclones (für Zugbahn und Intensität tropischer Wirbelstürme) unter einer offenen Lizenz verfügbar gemacht.
Quellen
- Quelle: Google Research / Deepmind
- Der ursprüngliche Artikel wurde hier veröffentlicht
- Dieser Artikel wurde im Podcast KI-Briefing-Daily behandelt. Die Folge kannst du hier anhören.
